基于近地遥感的冬小麦生物量动态监测方法

魏庆伟，王福州，张青，陈道培，卢霞

（1.中国气象局·河南省农业气象保障与应用技术重点开放实验室，河南 郑州 450003；2.鹤壁市气象局，河南 鹤壁 458030）

作物生物量是指单位面积内作物在一定时间内累积的有机物总量［1］，是反映作物长势的重要群体指标［2］，也是产量估算的一个重要指标。准确、高效监测冬小麦生物量变化信息有利于掌握其生长状况和产量形成动态［3，4］，使当地农业部门能够快速依据农情采取管理措施以提高冬小麦产量，同时也能够有效提高农业估产效率与精度。

传统的生物量估测主要通过调查样点抽样统计进行，结果准确度较高，但具有一定的破坏性，且耗时费力，难以大面积开展［5］。近年来，蓬勃发展的遥感技术为作物生长监测提供了新的方法和手段［6-8］。基于植被指数的农作物生物量估算是目前广泛应用的作物生物量遥感监测方法之一［9，10］。植被指数能综合植被在不同遥感波段的反射特性，与植被生物量存在很强的相关关系［11］。在红光和近红外波段上，遥感影像可以反射作物的生长信息，通过这些波段构成的植被指数可实现对冬小麦生物量的动态监测［12］。当前，基于遥感技术的生物量监测研究的数据来源多为卫星遥感数据［13-16］。然而，基于卫星遥感的光谱植被指数容易受到云雨影响，且受遥感数据时空分辨率的影响，植被指数在时间上和空间上存在不连续的现象［17-20］。近地遥感具有时间分辨率高、受大气条件及云雨等天气影响小，可野外长时间固定观测等优势，而且观测数据的空间尺度适中，在很大程度上克服了卫星遥感监测所面临的上述问题，是实现作物生物量监测的有力工具［21，22］。

在已有的近地遥感研究中，多采用图像传感器［23-25］或手持光谱仪［26-28］的方式进行作物生物量监测，鲜有采用光谱传感器长时间野外固定监测农作物生物量的相关研究。SRS-NDVI观测仪利用安装在植被冠层上方向上和向下的光强检测传感器，分别检测天空入射和冠层反射的近红外（810 nm）和红光（650 nm）光照强度，通过入射和反射光强计算得到植被冠层近红外与红光的反射率，然后运用植被指数计算公式得到农田尺度的作物冠层植被指数。本研究以SRS-NDVI观测仪监测数据为基础，提出基于近地遥感的冬小麦生物量动态监测方法，旨在探寻最适的冬小麦生物量动态监测方法，为冬小麦全生育期内生物量的准确高效估算提供方法参考。

1 材料与方法

1.1 数据来源

遥感数据使用安装于河南省鹤壁市农业气象试验站试验田的SRS-NDVI观测仪的2018—2020年冬小麦生长季内监测数据。SRS-NDVI观测仪时间分辨率为30 min，适宜的测量光照强度大于5.2 klx［29］，此时获得的观测数据具有较强的可靠性，且测量精度随光照强度的增加而提高。为确保观测数据的可靠性，选取每日10∶00至14∶30时段内10组观测数据的平均值计算当日冬小麦植被指数。

冬小麦生物量人工观测数据由鹤壁市农业气象试验站于2018—2020年采用烘干称重法获得。在冬小麦关键生育期普遍期及旬末进行测定，当旬末与生育期普遍期相差在两天之内时旬末不再进行生物量测定（2020年返青后只测定生育期普遍期生物量）。随机选取SRS-NDVI观测仪附近能够代表作物整体长势的冬小麦植株样本，齐地面采集，每次取3个重复，封装带回实验室，置于烘箱105℃杀青1 h，然后80℃烘干至恒质量（约24 h），记录干质量，进而计算得到单位面积冬小麦地上部干生物量。

1.2 植被指数

基于植被在红光和近红外波段反射率差别较大的光谱特征建立的植被指数，本质上是在综合考虑各光谱信号的基础上把多波段反射率做一定的数学变换，使其在增强植被信息的同时，使非植被信号最小化［30］。本研究选取归一化植被指数（NDVI）、比值植被指数（RVI）、差值植被指数（DVI）、增强型植被指数（EVI2），研究各植被指数与实测冬小麦生物量之间的关系，各植被指数计算公式见表1。

表1 选用的植被指数

1.3 数据处理与模型构建

本研究以SRS-NDVI观测仪监测到的冬小麦生长季冠层近红外（810 nm）和红光（650 nm）反射率数据为基础，根据相关公式分别计算冬小麦生长季内每日归一化植被指数（NDVI）、比值植被指数（RVI）、差值植被指数（DVI）、增强型植被指数（EVI2）。由于冬小麦生物量是随时间逐渐积累增加的过程，为更好地构建植被指数与生物量之间的相关关系，将上述每日植被指数进行求和计算（式1），得到累积植被指数（CVI）动态变化时序数据。

式中CVIt表示冬小麦播种t天的累积植被指数，VIi表示冬小麦播种第i天的植被指数监测值。

对照冬小麦生物量人工观测日期，提取对应日期的累积植被指数数据，进行不同植被指数与生物量的最优拟合估算。为准确建立生物量监测模型，根据冬小麦生长季生物量增长特点，以返青期为界将冬小麦生物量观测数据分为两部分，分别进行植被指数与生物量的曲线拟合分析。

1.4 模型精度评价

为确保模型稳定性和精度，将2018—2019年观测数据用于建模，2020年观测数据用于模型验证。采用决定系数（R2）、均方根误差（RMSE）和平均相对误差（MRE）作为模型预测精度的评价标准。其中，R2越接近于1，表示参与评价的变量间相关性越好，参考价值越大；RMSE与MRE越小，表明模型的预测精度和稳定性越高。计算公式如下：

2 结果与分析

2.1 植被指数与冬小麦生物量拟合分析

2.1.1 播种至返青期的拟合分析结果 分别对4种植被指数累积值与冬小麦播种至返青期生物量人工观测数据进行拟合分析，结果（图1）发现，所有累积植被指数均与生物量呈显著的二次非线性相关关系，且R2均大于0.97，RMSE介于9.61～11.38之间；以NDVI和RVI的拟合效果更优，NDVI拟合方程的R2为0.9829，RMSE为9.61，RVI拟合方程的R2为0.9833，RMSE为9.89。

2.1.2 返青至成熟期的拟合分析结果 4种植被指数累积值与冬小麦返青至成熟期生物量的拟合结果见图2，可以发现，所有累积植被指数均与生物量呈显著的幂函数非线性相关关系，R2介于0.8639～0.9553之间，RMSE介于150.25～310.23之间，其中，NDVI的表现最优，R2为0.9553，RMSE为150.25。

2.2 模型验证

2.2.1 播种至返青期估算模型验证 利用2020年冬小麦播种至返青期生物量观测数据对估算模型进行验证，结果如图3所示，可以看出，所有模型的决定系数（R2）均大于0.96，估算结果均与实测生物量显著相关，RMSE介于13.04～24.02之间，MRE介于10.51% ～19.57%之间，均具有较好的预测能力，估算精度从高到低依次为NDVI＞RVI＞EVI2＞DVI，其中，NDVI更适于冬小麦播种至返青期生物量的反演。

图1 冬小麦播种至返青期各植被指数与生物量拟合结果

图2 冬小麦返青至成熟期各植被指数与生物量拟合结果

2.2.2 返青至成熟期估算模型验证 利用2020年冬小麦返青至成熟期生物量观测数据对模型进行验证，结果（图4）显示，所有模型的决定系数（R2）均大于0.96，模型的估算结果与实测生物量显著相关；RMSE介于118.20～148.01之间，估算精度为NDVI＞EVI2＞DVI＞RVI；MRE介于10.22%～18.57%之间，估算精度为NDVI＞RVI＞EVI2＞DVI。表明冬小麦返青至成熟期生物量的最优反演指数仍为NDVI。

图3 冬小麦播种至返青期生物量估算模型验证结果

图4 冬小麦返青至成熟生物量估算模型验证结果

3 讨论与结论

本研究以2018—2020年SRS-NDVI观测仪监测到的冬小麦生长季冠层近红外（810 nm）和红光（650 nm）反射率数据为基础，选取归一化植被指数（NDVI）、比值植被指数（RVI）、差值植被指数（DVI）、增强型植被指数（EVI2），计算逐日累积植被指数（CVI）并建立回归模型，研究各植被指数与实测冬小麦生物量之间的关系，结果表明：

（1）冬小麦播种至返青期，4种植被指数回归模型均能较好对生物量进行估算，最优模型为二次多项式。模型精度从高到低依次为NDVI＞RVI＞EVI2＞DVI，其中NDVI模型训练样本、验证样本R2均大于0.98，训练样本RMSE为9.61，验证样本RMSE为13.04，平均相对误差MRE为10.51%。

（2）冬小麦返青至成熟期，4种植被指数回归模型也能较好对其生物量进行估算，最优模型为幂函数。其中NDVI监测模型精度最高，其模型训练样本、验证样本R2均大于0.95，训练样本RMSE为150.25，验证样本RMSE为118.20，平均相对误差MRE为10.22%。

综上，基于NDVI的累积植被指数构建冬小麦生物量估测模型是对其进行动态监测的最佳方法，可为作物自动化观测提供新的思路和方法。由于数据限制，本研究仅对单一站点的冬小麦生物量监测方法进行了研究；而且不同方法对不同作物、不同区域气候的影响敏感程度不同，监测模型的普适性未得到充分且有效验证，今后仍需进一步验证与分析。